Secondo l’ultima rilevazione McKinsey (The State of AI in 2025, novembre 2025), l’88% delle aziende utilizza l’AI in almeno una funzione aziendale, ma solo il 5,5% ottiene un impatto economico misurabile sul conto economico (Ebit).
È in questo scarto tra adozione e risultato che si inserisce il problema per la tesoreria. Un tesoriere che interroga uno strumento di intelligenza artificiale generico sulla propria posizione di cassa resta deluso: lo strumento non ha accesso ai saldi bancari, alle fatture scadute o alle previsioni di cassa, non ha un collegamento diretto alla situazione più recente e finisce per estrapolare pattern generici al posto dei numeri reali. Colmare questo divario è il presupposto per fidarsi dei risultati di uno strumento di intelligenza artificiale.
Gestione del rischio e presidio umano
Garantito l’accesso ai dati, resta da stabilire quanto automatizzare e dove serve il controllo umano. Le attività ripetitive ad alto volume, come categorizzazione delle transazioni e riconciliazione bancaria, superano il 90% di automazione. Non a caso, il Q4 2025 Cfo Signals Survey di Deloitte indica che per il 49% dei Cfo l’obiettivo primario resta automatizzare i processi ripetitivi per liberare i team verso attività a maggior valore. L’AI accelera la lettura degli scostamenti senza sostituire il giudizio critico e la validazione dei pagamenti in uscita segue un’automazione controllata, con verifica umana su ogni operazione. Infine, le decisioni ad alto impatto, allocazione del capitale e limiti di credito ai clienti, restano sotto il presidio esclusivo del Cfo e del tesoriere. Ma grazie all’AI e all’automazione, entrambi hanno più tempo per queste attività strategiche.
Un caso reale: University Medical Partners
Questo equilibrio emerge da University Medical Partners (Ump), gruppo sanitario con 40 cliniche, oltre 300 dipendenti e circa un milione di pazienti l’anno. Prima di adottare uno strumento di gestione della tesoreria e previsione di cassa come Agicap, il team finance estraeva manualmente i dati da due banche e teneva previsioni statiche in Excel, con liquidità bloccata per sicurezza invece che al lavoro per generare rendimento.
«Agicap si è distinta soprattutto per la sua piattaforma personalizzabile, per l’interfaccia intuitiva e per la capacità di creare rapidamente connessioni con i sistemi bancari. Anche il suo approccio orientato all’AI ha fatto la differenza», racconta Ben Courtney, Direttore Finance & Analytics di Ump.
La categorizzazione AI nativa di Agicap ha tagliato dell’85% il tempo dedicato, e l’automazione delle dashboard ha restituito alla direzione finanziaria mezza giornata di lavoro ogni mese, prima assorbita dalla reportistica manuale. Tre strumenti recenti di Agicap portano l’AI dentro i flussi di tesoreria: l’Mcp (Model Context Protocol) collega Claude (Anthropic) ai dati aziendali per leggerli, prevedere scenari what-if ed eseguire operazioni autorizzate; l’Assistente AI nativo porta le stesse capacità dentro la piattaforma, senza un client Claude esterno; Smart Report trasforma cruscotti statici in dashboard dinamiche con semplici comandi testuali.
Per la direzione finance, il punto non è scegliere quale modello generativo testare, ma se esiste un collegamento reale tra quel modello e i dati di tesoreria dell’azienda, puliti, accessibili in tempo reale, e soprattutto raggiungibili dall’AI. È il ruolo che giocano strumenti come l’Mcp, per chi lavora con un’AI esterna come Claude, e l’Assistente AI nativo, per chi preferirà restare dentro la piattaforma.
